Coloque su apellido y nombre en el campo
author.
Clone el repositorio de GitHub
Cree un Project y enlace al repositorio
clonado.
Resuelva lo solicitado.
Genere un reporte en formato .html o
.pdf
Asegúrese de que todas las librerías se cargan adecuadamente. Si es necesario instale las librerías utilizando el comando:
En el caso de las librerías de Bioconductor requiere instalarlo usando la instrucción.
if (!require("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install(version = "3.16")BiocManager::install("packagename")devtools y luego ejecutar:devtools::install_github("kassambara/ggpubr")Las librerías requeridas en esta evaluación son:
library(ggpmisc); library(ggplot2); library(plotly); library(palmerpenguins)## Loading required package: ggpp
## Loading required package: ggplot2
##
## Attaching package: 'ggpp'
## The following object is masked from 'package:ggplot2':
##
## annotate
##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
library(ggplot2); library(magrittr); library(ggpubr); library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.0 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ lubridate 1.9.2 ✔ tibble 3.1.8
## ✔ purrr 1.0.1 ✔ tidyr 1.3.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ ggpp::annotate() masks ggplot2::annotate()
## ✖ tidyr::extract() masks magrittr::extract()
## ✖ dplyr::filter() masks plotly::filter(), stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ✖ purrr::set_names() masks magrittr::set_names()
## ℹ Use the ]8;;http://conflicted.r-lib.org/conflicted package]8;; to force all conflicts to become errors
library(ComplexHeatmap); library(viridis)## Loading required package: grid
## ========================================
## ComplexHeatmap version 2.15.1
## Bioconductor page: http://bioconductor.org/packages/ComplexHeatmap/
## Github page: https://github.com/jokergoo/ComplexHeatmap
## Documentation: http://jokergoo.github.io/ComplexHeatmap-reference
##
## If you use it in published research, please cite either one:
## - Gu, Z. Complex Heatmap Visualization. iMeta 2022.
## - Gu, Z. Complex heatmaps reveal patterns and correlations in multidimensional
## genomic data. Bioinformatics 2016.
##
##
## The new InteractiveComplexHeatmap package can directly export static
## complex heatmaps into an interactive Shiny app with zero effort. Have a try!
##
## This message can be suppressed by:
## suppressPackageStartupMessages(library(ComplexHeatmap))
## ========================================
##
##
## Attaching package: 'ComplexHeatmap'
##
## The following object is masked from 'package:plotly':
##
## add_heatmap
##
## Loading required package: viridisLite
La base de datos de esta pregunta contiene distintas mediciones para tres especies de pingüinos encontrados en el archipiélago de Palmer, en la Antártica. Estas tres especies son los Chinstrap, Gentoo y Adélie.
Puede revisar los datos de los pingüinos utilizando la instrucción
str() o skim().
skimr::skim(penguins)| Name | penguins |
| Number of rows | 344 |
| Number of columns | 8 |
| _______________________ | |
| Column type frequency: | |
| factor | 3 |
| numeric | 5 |
| ________________________ | |
| Group variables | None |
Variable type: factor
| skim_variable | n_missing | complete_rate | ordered | n_unique | top_counts |
|---|---|---|---|---|---|
| species | 0 | 1.00 | FALSE | 3 | Ade: 152, Gen: 124, Chi: 68 |
| island | 0 | 1.00 | FALSE | 3 | Bis: 168, Dre: 124, Tor: 52 |
| sex | 11 | 0.97 | FALSE | 2 | mal: 168, fem: 165 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| bill_length_mm | 2 | 0.99 | 43.92 | 5.46 | 32.1 | 39.23 | 44.45 | 48.5 | 59.6 | ▃▇▇▆▁ |
| bill_depth_mm | 2 | 0.99 | 17.15 | 1.97 | 13.1 | 15.60 | 17.30 | 18.7 | 21.5 | ▅▅▇▇▂ |
| flipper_length_mm | 2 | 0.99 | 200.92 | 14.06 | 172.0 | 190.00 | 197.00 | 213.0 | 231.0 | ▂▇▃▅▂ |
| body_mass_g | 2 | 0.99 | 4201.75 | 801.95 | 2700.0 | 3550.00 | 4050.00 | 4750.0 | 6300.0 | ▃▇▆▃▂ |
| year | 0 | 1.00 | 2008.03 | 0.82 | 2007.0 | 2007.00 | 2008.00 | 2009.0 | 2009.0 | ▇▁▇▁▇ |
A continuación se muestra un ejemplo de análisis de la data de los pingüinos de Palmer:
En la figura p1 se tiene un errorplot donde el largo
del pico es evaluado por cada especie e internamente por sexo del
ave.
En la figura p2 se tiene un boxplot donde se compara
el ancho del pico por cada especie.
En la figura p3 se tiene una regresión lineal donde
se mide el efecto de la longitud del pico sobre el ancho y se desagrega
por especie(fila) e isla (columnas).
Finalmente la figura compuesta con las tres figuras anteriores en una estrucutura:
## `geom_smooth()` using formula = 'y ~ x'
La figura a nos indica la relación que hay entre las 3 especies de pinguinos en función de la isla de la cual provienen y el tamaño de sus picos ;la especie Barbijo es la que posee el pico mas largo por otro lado los picos de las especies Papúa y Adelia tienen tamaños similares.Esta gráfica también nos muestra como cambian el tamaño de los picos dependiendo si son machos o hembras,en los picos de los pinguinos Papúa y Barbijo el tamaño del pico de los machos es menor al de las hembras esto se puede observar por la superposición que hay entre los puntos.
La figura b indica que los piguinos Barbijo tiene el pico predominante es decir el mas ancho y las especies Papúa y Adelia tienen picos mas pequeños;esto se interpreta por la varianza de los picos de la especie Barbijo en comparacion de las otras especies.
La figura c indica que los picos de los pinguinos Adelia de la isla Biscoe tienen una relacion significativa entre la longitud y el ancho del pico es decir que hay una relación proporcional entre la longitud del pico y la anchura del pico.el cambio del el anchi de el pico en función de la longitud del pico se observa por la estimación de el coeficiente de regresión lineal
p4 y
p5donde:p4 es una regresión de x: body_mass_g y
y: flipper_length_mm, que tiene inserto la ecuación de la
regresión y el \(R^2\). Asimismo tiene
una coloración por sexo, y una separación por sexo e isla.
p5 tiene un correlation plot de las variables
numéricas de longitud de pico, ancho de pico, longitud de aleta y masa
corporal. La figura tiene que tener la apariencia de la imagen de abajo,
este se encuentra resuelto en la página de ggcorrplot.
INTERPRETACIÓN
Los datos de expresión de genes son extensos, hay una gran cantidad
de genes y asimismo una gran cantidad de muestras de tejidos o lineas
celulares. En este ejemplo se desea ver el nivel de relación de las
muestras de diferentes tipos de tejidos en base a las cuantificaciones
de niveles de expresión genética. La data ejemplo es sintética, y están
guardadas en forma de tablas y se cargan con la función
load('nombre.RData'). Está basado en Simple
guide to heatmaps.
load('data/expression.Rdata') # carga la tabla de expression
load('data/metadata.Rdata')
str(expression)## rowws_df [2,191 × 11] (S3: rowwise_df/tbl_df/tbl/data.frame)
## $ Gene: chr [1:2191] "ABCA1" "ABCA10" "ABCA13" "ABCA2" ...
## $ X10 : num [1:2191] 13.97 10.88 9.17 11.34 8.77 ...
## $ X11 : num [1:2191] 12.24 8.81 7.63 14.98 11.64 ...
## $ X16 : num [1:2191] 12.63 11.25 7.49 13.68 11.29 ...
## $ X17 : num [1:2191] 13.18 9.87 8.13 12.01 8.07 ...
## $ X18 : num [1:2191] 11.38 8.06 8.26 16.01 12.39 ...
## $ X2 : num [1:2191] 12.33 9.35 6.43 13.44 10.13 ...
## $ X3 : num [1:2191] 13.48 11.25 9.96 12.26 10.13 ...
## $ X4 : num [1:2191] 11.38 8.59 7.5 16.01 11.51 ...
## $ X9 : num [1:2191] 10.98 9.48 7.08 15.39 11.34 ...
## $ var : num [1:2191] 1.06 1.39 1.15 3.17 2.04 ...
Esta data indica el nivel de expressión de los genes (filas) en cada muestra de células (columnas).
Se realiza un gráfico de mapa de calor preliminar que permite tener un primer vistazo del nivel de relación entre cada una de las muestras en base a la distancia euclideana.
Usualmente lo que se desea es saber si las muestras vienen de diferentes tejidos
Heatmap(expr_dist, col=viridis(10), name = ‘Distancias’, top_annotation = ha_column, )
## [1.0 punto] 2.1. Interpretación del Mapa de calor
Realice una descripción de lo que observa en el mapa de calor considerando:
- las intensidades de color de las distancias,
- el tiempo de exposición al tratamiento
- el tipo de suero
**INTERPRETACIÓN:**
## [3.0 puntos] 2.2. Mapa de calor artritis reumatoide.
Realice la réplica e interpretación de los niveles de expresión génica en muestras de personas que sufren de artritits reumatoide; que se muestra en la sección 5 de la página [A simple tutorial for a complex ComplexHeatmap](https://github.com/kevinblighe/E-MTAB-6141) y que se basa en el artículo [Volume 28, Issue 9, 27 August 2019, Pages 2455-2470.e5](https://www.sciencedirect.com/science/article/pii/S2211124719310071?via%3Dihub).
```r
require(RColorBrewer); require(ComplexHeatmap); require(circlize);
## Loading required package: RColorBrewer
## Loading required package: circlize
## ========================================
## circlize version 0.4.15
## CRAN page: https://cran.r-project.org/package=circlize
## Github page: https://github.com/jokergoo/circlize
## Documentation: https://jokergoo.github.io/circlize_book/book/
##
## If you use it in published research, please cite:
## Gu, Z. circlize implements and enhances circular visualization
## in R. Bioinformatics 2014.
##
## This message can be suppressed by:
## suppressPackageStartupMessages(library(circlize))
## ========================================
require(digest); require(cluster)## Loading required package: digest
## Loading required package: cluster
Aquí se carga los datos EMTAB6141.rdata que se requiere
para este ejercicio. Requieres usar:
'mat.tsv'
'metadata.tsv'
'sig_genes.list'
# Cargue aquí sus datosEn la siguiente celda de código, realice la réplica del mapa de calor
que se encuentra a la izquierda (hmap1) de esta figura:
En este heatmap, cada fila representa un gen y cada columna representa una muestra de tejido. Los colores en la matriz indican los niveles de expresión de cada gen en cada muestra, donde los colores rojos representan una expresión elevada y los colores azules representan una expresión baja. La intensidad del color indica la magnitud de la expresión. Los genes y muestras se ordenan mediante el método de clustering por correlación. Además, se agregan etiquetas para las columnas que representan las muestras.
Su repositorio de GitHub debe tener al menos los sigueites elementos:
Haber sido `clonado del repositorio del
profesor.
Haber sido enlazado a un repositorio local (Project)
generado en RStudio.
Tener el archivos .Rmd
Tener el archivo .HTML del examen (MANDATORIO PARA CALIFICAR).
Tener al menos 3 controles de la versión.
Tener un README.md con:
información personal,
información del equipo,
los programas y paquetes utilizados, y sus respectivas versiones